1、減少延遲
在邊緣處理信息最直接的好處是,不再需要在云端之間傳輸數據。因此,可以大大減少數據處理中的延遲。
在之前的預防性維護例子中,支持邊緣人工智能的設備將能夠立即響應,例如關閉受損的機器。如果我們使用云計算來執行機器學習算法,我們將在數據與云的傳輸過程中損失至少一秒鐘的時間。雖然這聽起來可能不重要,但當涉及到操作關鍵設備時,每一個可以實現的安全邊際都是值得追求的!
2、降低帶寬需求和成本
在邊緣物聯網設備之間傳輸的數據越少,網絡帶寬的要求也會降低,因此成本也會降低。
以圖像分類任務為例。由于依賴云計算,必須將整個圖像發送到在線處理。但如果用邊緣計算代替,就不再需要發送該數據了。相反,我們可以簡單地發送處理后的結果,它通常比原始圖像小幾個數量級。如果我們將這種效應乘以網絡中物聯網設備的數量,可能多達數千個或更多。
3、提高數據安全性
減少到外部位置的數據傳輸也意味著更少的開放連接和更少的網絡攻擊機會。這使得邊緣設備安全運行,避免了潛在的攔截或數據泄露。此外,由于數據不再存儲在集中式云中,因此單個違規的后果會大大減輕。
4、提高可靠性
由于邊緣人工智能和邊緣計算的分布式特性,操作風險也可以分布在整個網絡中。從本質上講,即使集中式云計算機或集群出現故障,各個邊緣設備也能夠維持其功能,因為計算過程現在獨立于云端!這對于關鍵的物聯網應用尤其重要,例如醫療保健。
想要了解更多關于人工智能資訊信息,請關注中培偉業李老師二維碼:
